近年来,随着游戏产业特别是游戏视频、游戏直播的迅猛发展,高清游戏视频的需求也在不断增加,然而游戏视频的增强方法却没有得到特别关注。事实上,游戏视频与自然视频存在很大的差异:游戏场景有限且固定,在内容和纹理上也不同于普通自然视频,同时同款游戏视频之间还具有高度的相似性。因此,直接应用针对自然图像提出的超分辨率算法往往不能达到令人满意的效果。针对以上问题,本文提出了一种基于搜索匹配的重建模型,对于特定的游戏,该模型可以通过使用有限的代表性参考样本来重建高视觉质量的结果,同时也根据游戏视频的特点进一步改进该网络,主要内容如下:（1）本文构建了一个基于参考匹配的重建模型用于游戏视频增强,同时还构建了一个基于特定游戏的有限样本集。特定游戏具有元素固定和风格统一的特点,很容易获得其高质量的样本,因此,本文提出了一种基于样本参考的增强网络,首先由事先建立好的特定游戏样本集匹配出与输入最相似的高分辨率参考图像,然后将低分辨率输入图像与高分辨率参考图像之间进行像素级别的匹配,学习来自参考样本的纹理细节,最后,经过基于残差块的重建网络生成具有更丰富细节的游戏图像,突破了传统通用超分辨率算法的性能瓶颈。本文希望该方法既能够为游戏视频增强提供新的技术方向,也可以为基于参考的超分辨率算法提供一个适合的应用场景。（2）本文构建了一个基于有限样本的双分支游戏视频重建网络。针对目前低分辨率输入图像和高分辨率参考图像之间像素级的匹配存在计算开销大的问题,结合游戏画面存在大面积的平坦区域的事实,提出一个高频匹配和融合模块,将匹配空间从整个参考特征图缩小到特定的高频块,并结合由粗到细的匹配策略,在不影响主观视觉质量的同时,极大程度地降低了计算量。此外,还设计了一个双分支重建模块来促进低分辨率和参考特征之间的信息交换。在游戏视频数据集上的实验结果证明了所提方法的有效性和通用性。